一句话定义：PSNR（Peak Signal-to-Noise Ratio，峰值信噪比）和 SSIM（Structural Similarity Index Measure，结构相似性指标）都是“全参考”图像质量指标——必须拿一张原图和一张处理后的图逐处比对，输出一个分数，衡量重建得有多好。
PSNR 怎么算：先把两张图每个像素的差平方、求平均，得到 MSE（Mean Squared Error，均方误差）；再把这个误差换算成“信号比噪声强多少倍”的分贝值。误差越小，分数越高，单位是 dB。它像什么？像给两张照片做逐格对照：每一格颜色差多少都算数，最后给个平均分，格子错得越离谱扣得越狠。
SSIM 换了个思路：它不看单个像素的绝对差，而是滑一个小窗口，在局部比较三件事——亮度（平均值）、对比度（方差）、结构（协方差），再把各窗口结果平均起来。取值一般在 0 到 1 之间，1 表示两张图完全一致。它更像阅卷老师：不数错别字，而是看这段话还像不像原文，明暗、层次、轮廓有没有散架。
两者的脾气差别：把整张图整体平移一个像素，人眼几乎看不出来，PSNR 却会明显下跌；反过来，一片草地被磨成光滑色块，PSNR 可能还过得去，人眼却一眼看出“糊了”。SSIM 对后一种结构破坏更敏感，但它同样不是人眼。
和相邻概念的区别：
| 指标 | 看什么 | 单位/方向 | 常见用途 | 局限 |
|---|---|---|---|---|
| PSNR | 逐像素误差 | dB，越高越好 | 压缩、超分基准 | 与人眼判断常不一致 |
| SSIM | 局部亮度/对比度/结构 | 通常 0~1，越高越像 | 超分、重建、修复 | 仍是近似，不等于主观感受 |
| LPIPS（Learned Perceptual Image Patch Similarity） | 深度网络特征差异 | 越低越好 | 感知质量评估 | 依赖预训练模型，可解释性弱 |
| FID（Fréchet Inception Distance） | 两组图的整体分布差异 | 越低越好 | 生成模型批量评估 | 不针对单张图的一一对应 |
MSE 是 PSNR 的原料；SSIM 有 MS-SSIM（多尺度版本），缩放后再算一遍；LPIPS 属于“感知指标”，更贴近人的判断；FID 比较的是两组图的分布，不需要成对原图。
对从业者的意义：超分、去噪、压缩、老照片修复这些任务，论文和评测里普遍同时报 PSNR 和 SSIM，因为一个看像素误差、一个看结构保留。但要警惕：只盯着 PSNR 优化，模型容易输出“过度平滑”的结果——分数好看，细节没了。现在常见的做法是像素指标、感知指标加人工抽检三件套一起用。
对普通人的意义：你手机相册里的“高清修复”、视频网站的“画质增强”、图片压缩后还能不能看，背后都靠这类指标做自动化把关。但指标只是筛子，最终好不好看，还得人眼说了算。另外，不同颜色空间、窗口大小、边缘裁剪方式会算出不同数值，跨论文直接比数字要谨慎，具体定义以原始论文和官方实现页面为准。